Qwen

Qwen a hírekben

1. Eszközök 2026. október 29., csütörtök

   Az AWS kész konténerrel egyszerűsíti az elosztott AI-tanítást

   Az AWS bemutatta a Ray Train Deep Learning Container (DLC) nevű kész konténerképet, amely a PyTorch, CUDA, NCCL, az Elastic Fabric Adapter (EFA) könyvtárak és a Ray keretrendszer egymáshoz illesztett, tesztelt csomagját tartalmazza. A vállalat szerint ez megszünteti azt a munkát, hogy fejlesztőknek maguknak kelljen összeállítaniuk és karbantartaniuk ezt a komplex szoftverstacket minden klaszterhez. A cikk egy konkrét példát mutat be: a Qwen2.5-1.5B nyelvi modell finomhangolását PyTorch FSDP-vel, nyolc Nvidia L4 GPU-n, két g6.12xlarge példányon, Amazon EKS-en futó KubeRay operátor segítségével. A képet az Amazon ECR Public tárolóból lehet lehúzni regisztráció nélkül, a klaszterspecifikus beállításokat (hálózat, csomagok) pedig külön konfigurációs fájlokból lehet megadni.

2. Modellek 2026. október 26., hétfő

   OpenMobile-2: nyílt mobil-AI-ügynök felveszi a versenyt a zárt modellekkel

   A Nanjing Egyetem, a SenseTime és más intézmények kutatói bemutatták az OpenMobile-2 projektet, amely több mint 110 szimulált alkalmazásból álló környezetben tanít be mobiltelefon-vezérlő AI-ügynököket. A fejlesztők állítása szerint azonos adatmennyiség mellett az alkalmazások számának növelése 60,7-ről 67,5 százalékra emelte a sikerrátát ismeretlen appokon, valós Android-eszközön pedig a nagyobb modell 59,6 pontot ért el a SPA-Bench teszten, ami a kutatók szerint a legjobb eredmény a nyílt modellek között. A projekt két ügynökmodellt tesz közzé, egy 9 milliárd és egy 27 milliárd paraméteres Qwen-alapút, teljes tréningkörnyezettel és adatokkal együtt. A tanítóadatokat Google Gemini 3.1 Pro modellje generálta, így a nyílt rendszer gyakorlatilag egy zárt modell tudásából tanul. A kutatók 35, főként kínai és néhány globális alkalmazást (például Taobao, DiDi, Slack, Google Drive) építettek újra, amelyeket emberi ellenőrök hasonlítottak össze az eredetikkel.

3. Kutatás 2026. október 21., szerda

   AWS: a nyílt GPT-OSS-20B alapból angolul gondolkodik más nyelveken is

   Az AWS Machine Learning blogja szerint a nyílt súlyú GPT-OSS-20B reasoning modell alapból angolul gondolkodik akkor is, ha a felhasználó más nyelven kér választ. Egy 50 elemes teszten a célnyelvi gondolkodás aránya mindössze 22% volt, szinte kizárólag az angol példák miatt (angol 100%, francia 0%, német 10%, spanyol 0%, olasz 0%). A csapat a modellt Amazon SageMaker HyperPod infrastruktúrán finomhangolta a HuggingFaceH4/Multilingual-Thinking adathalmazon, amely franciára, spanyolra, németre és olaszra fordított gondolatmenet-példákat tartalmaz, mintegy 949 tanító- és 50 validációs elemmel. Az AWS szerint felügyelt finomhangolás (SFT) és megerősítéses tanulás (GRPO) kombinációja adta a legjobb eredményt: az SFT tanítja be a hiányzó viselkedést, a GRPO pedig finomítja azt, ahol még van javulási tér. Egy kontrollált Qwen2.5-7B kísérlet is megerősítette, hogy a technika megválasztása a képességbeli hiánytól függ.

4. Modellek 2026. október 11., vasárnap

   A Microsoft piacra dobta saját döntési modelljét, a Decision-1-et

   A Microsoft bemutatta a Decision-1 nevű döntési modellt, amely a Qwen3.5-9B alapmodellre épül, és gyors, strukturált döntésekre, osztályozásra, értékelésre és útvonalválasztásra szolgál, a vállalat szerint akár ágensek irányítására is alkalmas lehet összetett környezetekben. A Microsoft állítása szerint a modell 36 benchmarkon, közel 150 000 kérdésen bizonyult a legpontosabbnak, és 2,5-szer gyorsabb a második helyezett H2O-Lightning-4B-nél; a Cloudflare nyílt forráskódú, szintén Qwen-alapú Clef modelljei nem szerepeltek ebben az összehasonlításban. A Decision-1 elérhető a Microsoft Foundry platformon és az OpenRouteren, bemeneti tokenenként 0,042 dollárért, a kimeneti tokenek pedig ingyenesek. A cikk szerint a döntési modellek trendjét szeptember közepén a Jev nevű startup indította el, amelyet azóta nyílt kis nyelvi modellek gyorsan utolértek.

5. Modellek 2026. szeptember 24., csütörtök

   Az Alibaba bemutatta a Qwen-Audio-3.1 modellcsaládot, és drasztikusan csökkentette az AI-hangfeldolgozás árait

   Az Alibaba Qwen csapata öt új modellből álló Qwen-Audio-3.1 csomagot jelentett be beszédfelismerésre (ASR), szövegfelolvasásra (TTS) és valós idejű hangalapú interakcióra. A cég állítása szerint az ASR modell jobban kezeli a többnyelvű és dialektus szerinti felismerést, az ASR-Next pedig több beszélőt is azonosít időbélyeggel, illetve érzelmeket és háttérzajokat is felismer. A TTS és TTS-Next modellek nyelvek közötti hangátvitelt és egyszerű szöveges utasítással vezérelhető érzelmi, stílusbeli hangolást tesznek lehetővé, míg a valós idejű modell egyidejű beszédet és hallgatást, illetve azonnali megszakítást támogat. Az Alibaba emellett jelentősen csökkentette az árakat: a TTS mintegy 70, a valós idejű szolgáltatás körülbelül 85, az ASR pedig akár 95 százalékkal olcsóbb lett. Az állítások a vállalat saját közleményén alapulnak, független teszteredmény egyelőre nem áll rendelkezésre.

6. Modellek 2026. szeptember 21., hétfő

   Az Alibaba Qwen-Image-2.1: 7 milliárd paraméteres nyílt képmodell

   Az Alibaba Qwen csapata kiadta a Qwen-Image-2.1 nyílt súlyú képgeneráló és -szerkesztő modellt. A cég állítása szerint a mindössze 7 milliárd paraméteres vizuális generáló komponens saját belső benchmarkján felülmúlja a legtöbb zárt modellt, független mérések eredményei még nem állnak rendelkezésre. A modell natívan kezel átlátszó (RGBA) képeket, egyszerre akár tíz referenciaképet is fel tud dolgozni csoportos portrékhoz, virtuális ruhapróbákhoz vagy lakberendezési tervekhez, és körökkel, maszkokkal vagy rajzolt jelölésekkel irányítható lokális szerkesztésre. A Qwen csapata szerint architektúrabeli változtatások és a KV-cache újrahasznosítása gyorsítja a következtetést, különösen több referenciakép esetén. A modell fut hagyományos fogyasztói GPU-kon is, például egy RTX 3090-en, és elérhető Hugging Face-en, GitHubon és a ModelScope-on, kutatási licenc alatt, amely kizárja a kereskedelmi felhasználást.

7. Modellek 2026. szeptember 14., hétfő

   AllSpark nyílt keresőügynökei: Iris-mini és Iris-pro

   A kínai AllSpark kutatócsoport két nyílt súlyú keresőügynököt tett közzé: az Iris-mini (35 milliárd paraméter) a Qwen3.6-35B-A3B, az Iris-pro (397 milliárd paraméter) a Qwen3.5-397B-A17B modellre épül, mindkettő 256 000 tokenes kontextusablakot kezel. A csapat állítása szerint ezek a maguk méretkategóriájában a legerősebb nyílt súlyú keresőügynökök, és a tréningadat más, korábban nem tanult feladatokon, például általános eszközhasználatnál is javította a teljesítményt. A tanítási kérdéseket a webes linkstruktúrából visszafejtve állították elő: egy kiinduló oldalból és kimenő linkjeiből fogalmi gráfot építettek, majd ebből olyan több lépéses kérdéseket generáltak, amelyek csak láncolt következtetéssel válaszolhatók meg. A megoldási útvonalakat egy erősebb tanármodell hozta létre, ezeket kétlépcsős szűrés (helyesség, ismétlődés, majd lépésenkénti bírálat) rostálta, mielőtt a modellt élő webes kereséssel szemben megerősítéses tanulással finomhangolták. Az eredményeket egy nem lektorált kutatási cikk ismerteti, amelyet maga az AllSpark csapat publikált.

8. Kutatás 2026. szeptember 4., péntek

   Helyben futtatható nyelvi modellek japán gyógyszerészvizsgán

   Japán kutatók a Scientific Reports folyóiratban közölt, korai hozzáférésű tanulmányukban négy, helyben (lokálisan) futtatható nagy nyelvi modellt teszteltek a Japán Nemzeti Gyógyészvizsga (JNEP) 109. kiadásának 165 szöveges kérdésén. A vizsgált modellek – a phi-4, a DeepSeek R1 Distill Qwen (DSR1-Qwen32B), valamint két japánra finomhangolt DSR1-Qwen variáns – 55,2% és 76,4% közötti pontosságot értek el. A szerzők szerint a LoRA nevű, erőforrás-hatékony finomhangolási módszer a phi-4 modell pontosságát 60,6%-ról 66,1%-ra javította, ami arra utal, hogy a feladatspecifikus adaptáció növelheti a teljesítményt. A kutatók hangsúlyozzák, hogy az eredmények előzetes bizonyítékot jelentenek arra, hogy helyben futtatható modellek és erőforrás-takarékos adaptációs technikák alkalmazhatók strukturált, tudásalapú vizsgákon, de szükség van szélesebb körű vizsgálatokra is.

9. Modellek 2026. augusztus 27., csütörtök

   Az Alibaba bemutatta a Qwen3.8-Flash-Next modellt, a Qwen4 előfutárát

   Az Alibaba Qwen csapata bemutatta a Qwen3.8-Flash-Next multimodális, mixture-of-experts modellt, amely a jövőbeli Qwen4 architektúrájának előzetese. A modell 125 milliárd paraméterből áll, de tokenenként csak 6 milliárdot aktivál, és tartalmaz egy 51 milliárd paraméteres N-gram beágyazási réteget, amely gyakori szócsoportokat tárol rendszer RAM-ban. A natív kontextusablak 262 144 token, YaRN-nel akár 1 millió tokenig bővíthető. Az Alibaba saját, publikált benchmarkjai szerint a Flash-Next a betanítási költség kilencedéből is jobb eredményeket ér el, mint a Qwen3.7-Plus, és a legtöbb tesztben megelőzi a DeepSeek-V4-Flash és az Anthropic Claude Opus 4.6 modelleket, kivéve a Humanity's Last Exam tesztet. Az éles verzió Qwen3.8-Flash néven érhető el a QwenCloudon, millió bemeneti tokenenként 0,16, millió kimeneti tokenenként 0,47 dollárért.

10. Kutatás 2026. augusztus 25., kedd

    Új módszer mobilos AI-ügynökök teljesítményének és biztonságának értékelésére

    Kutatók CRATE néven új, kétlépcsős értékelési keretrendszert mutattak be nyelvi utasításokkal irányított mobilalkalmazás-ügynökök automatikus minősítésére. A módszer lényege, hogy a teljes műveletsort egyben elemző korábbi megoldásokkal szemben lépésenként vizsgálja a releváns vizuális jeleket és az egyes akciók által kiváltott állapotváltozásokat, majd ezeket az eredményeket trajektóriaszinten összesíti. A szerzők állítása szerint – a cikk egy nem lektorált arXiv-preprintben jelent meg – a Qwen2.5-VL-72B-Instruct modellel futtatott CRATE 0,833-as F1-értéket ért el az AndroidWorld benchmarkon, ami 20 százalékkal jobb, mint a SPA-Bench módszeré. A biztonsági kockázatok értékelésére kiterjesztett CRATE-S változat a MobileRisk adathalmazon 0,697-es F1-értéket mutatott. A kutatók szerint az eredmények erős egyezést mutatnak a benchmarkok referenciaértékeivel, a kód nyilvánosan elérhető.

11. Kutatás 2026. augusztus 23., vasárnap

    Kis brit startup AI-ügynöke állítása szerint lekörözte az OpenAI-t és az Anthropicot

    Az Inherent nevű londoni AI-labor, amelyet volt Google DeepMind-kutatók alapítottak, saját közlése szerint Faraday nevű AI-ügynöke felülmúlta az Anthropic Claude Opus 4.8 és az OpenAI GPT-5.5 modelljeit egy konkrét feladatban: publikált tudományos cikkek eredményeinek önálló, előzetes válasz nélküli reprodukálásában. A cég állítása szerint a Faraday ehhez a jóval kisebb, 27 milliárd paraméteres Qwen 3.6 modellt használja a frontier-méretű riválisok helyett, és megerősítéses tanulással próbálja megtanítani neki a „kutatói érzéket” is, vagyis hogy mely kísérletek érdemesek elvégzésre. A startup nemrég 50 millió dolláros seed-körrel lépett ki a stealth módból. Az eredmények kizárólag a vállalat saját közléséből származnak, független megerősítés egyelőre nincs.

12. Modellek 2026. augusztus 15., szombat

    Az Alibaba kiadta a nyílt súlyú Qwen3.8 modellcsaládot

    Alibaba Qwen csapata nyílt súlyú Qwen3.8 modelleket adott ki Apache 2.0 licenc alatt. A fő modell, a Qwen3.8-27B, 27 milliárd paraméteres multimodális modell, amely a fejlesztő állítása szerint kódolási és irodai feladatokban felülmúlja a nagyobb Qwen3.7-Plus modellt, és önállóbban tervez, megbízhatóbban hajt végre ügynöki feladatokat. Natívan kezel akár 262 000 tokenes kontextust, a YaRN módszerrel pedig egymillió tokenig skálázható, emellett képeket és videókat is feldolgoz, beleértve diagramokat és többórás videókat. Megjelent egy jóval nagyobb, Qwen3.8-2.4T-A95B jelű, Max szintű modell súlya is; mindkettő elérhető a Hugging Face-en és a ModelScope-on, egymillió tokenes kontextussal hamarosan a Qwen Cloud szolgáltatáson keresztül is elérhető lesz.

13. Modellek 2026. augusztus 14., péntek

    A DeepSeek frissítette V4 Pro modelljét, és megnyitotta ügynökszoftverét

    A DeepSeek kiadta a V4-Pro-0813 build-et, amely a cég saját mérése szerint jelentősen javult ügynökfeladatokban: a Terminal Bench 2.1 pontszáma 72,1-ről 87,9-re, a DeepSWE pedig 12,8-ról 62,7-re nőtt, és a vállalat állítása szerint több benchmarkon megelőzte a Claude Opus 4.8-at. A független Artificial Analysis mérés is javulást mutat, de árnyaltabb képet ad: a modell az Intelligence Indexen 45-ről 53-ra emelkedett, beérve a GLM-5.2-t, de továbbra is a Muse Spark, a Qwen 3.8 Max, a Kimi K3 és a Claude Opus 5 mögött marad. A cég ezzel egyidejűleg MIT licenc alatt nyílt forráskódúvá tette saját Deepseek Harness ügynökszoftverét, valamint bejelentette, hogy augusztus 16-tól napszak szerinti árazásra tér át: a kínai munkaidőhöz igazított csúcsidőben duplázódnak a díjak, és a csúcsidőn kívüli alapár is emelkedik.

14. Modellek 2026. augusztus 13., csütörtök

    Az Alibaba 2,4 billió paraméteres Qwen-modellje NVIDIA GB300 chipeken fut

    Az NVIDIA technikai blogja szerint az Alibaba nyílt súlyokkal publikálta a Qwen3.8-2.4T-A95B (Qwen3.8-Max) modellt, eddigi legnagyobb nyílt modelljét: 2,4 billió összparaméterrel, tokenenként 95 milliárd aktivált paraméterrel, finomszemcsés MoE-architektúrával és teljes, illetve lineáris figyelmet vegyítő megoldással, amely akár egymillió tokenes kontextust és 128 ezer tokenes kimenetet kezel. Az NVIDIA saját mérése szerint a modell külön finomhangolás nélkül, FP8 pontosságon már az első napon GPU-nként több mint 4000, felhasználónként pedig több mint 350 tokent másodpercenként ér el GB300 NVL72 rendszeren. A cég szerint a jövőben tervezett NVFP4 pontosság további teljesítménynövekedést hozhat, ez azonban még csak kilátás, nem mért eredmény.

15. Modellek 2026. augusztus 11., kedd

    A Meta megjelentette a Muse Glimmer nyílt súlyú AI-ügynökmodellt

    Meta kiadta a Muse Glimmer nevű 30 milliárd paraméteres, sűrű architektúrájú modellt, amelynek súlyait Apache 2.0 licenc alatt, nyíltan tette elérhetővé a Hugging Face-en. A vállalat szerint a modellt kifejezetten helyi, folyamatosan futó AI-ügynökök számára optimalizálták: egyetlen fogyasztói GPU-n, akár internetkapcsolat nélkül is képes futni, és több mint 100 nyelven, szöveget és képet is kezel. A The Decoder szerint Meta saját benchmarkjai alapján a Glimmer a Google Gemma és az Alibaba Qwen hasonló méretű nyílt modelljeivel versenyképes ügynöki feladatokban, ám a mérés a vállalat saját, nem független tesztkörnyezetében történt. Ez Meta első nyílt modellje a 2025 tavaszi Llama 4 óta, amelyet gyenge fogadtatás és manipulált benchmarkok miatti kritika ért. NVIDIA és Hugging Face már nap-nulla támogatást biztosít a modellhez több futtatókörnyezetben.

16. Kutatás 2026. július 29., szerda

    Kódoló AI-ügynökök tesztjeinél a keretrendszer is számít, nemcsak a modell

    Egy nem lektorált kutatói tanulmány szerint a kódoló AI-ügynökök nyilvános ranglistái félrevezetőek lehetnek, mert csak a modell nevét és a sikerességi arányt közlik, miközben a háttérben futó keretrendszer (scaffold) gyakran dokumentálatlan marad. A szerzők a Qwen 3.6 Plus és a MiniMax M2.5 modelleket három nyílt keretrendszerrel (Goose, OpenCode, OpenHands-SDK) tesztelték a Terminal-Bench Pro 50 feladatos részhalmazán. A keretrendszer választása akár 40-szeres különbséget okozott a megoldott feladatonkénti tokenfelhasználásban, míg az azonos modellen belüli sikerességi arány mindössze 0-8 százalékponttal tért el. A hibázási minták is inkább a keretrendszerhez kötődtek, nem a modellhez. A kutatók ezért a modell-keretrendszer párosok együttes, token- és késleltetési korlátok melletti értékelését javasolják.

17. Modellek 2026. július 20., hétfő

    Az Alibaba bemutatta a 2,4 billió paraméteres Qwen 3.8 modellt, célkeresztben a Kimi K3

    Az Alibaba nyilvánosságra hozta legújabb, nyílt súlyú Qwen 3.8 modelljét, amely a vállalat állítása szerint 2,4 billió paraméterrel rendelkezik, és csak a Fable 5 mögött marad el. A csapat szerint ez az első, egybillió paraméternél nagyobb multimodális modelljük, amely képeket, videókat és dokumentumokat is feldolgoz. Független benchmark-eredmények egyelőre nem állnak rendelkezésre, a teljesítményállítások kizárólag a fejlesztő közlésén alapulnak. Az előnézet az Alibaba platformjain a szokásos ár tizedéért érhető el, a nyílt súlyok közzétételét a közeljövőre ígérik. A The Decoder szerint a lépés részben a Moonshot AI Kimi K3 modelljének térnyerését célozza ellensúlyozni.

18. Eszközök 2026. július 4., szombat

    Az NVIDIA bizalmas számítástechnikája a Blackwell GPU-kon 98%-os teljesítményt nyújt hardveres AI-biztonság mellett

    Az NVIDIA műszaki blogján közzétett benchmarkok szerint a Blackwell GPU-kra épülő Confidential Computing (CC) technológia minimális teljesítményveszteséggel biztosít hardverszintű védelmet az AI-inferencia során. A vállalat állítása alapján a HGX B300-on futtatott Qwen 3.5-397B modellel végzett tesztek azt mutatták, hogy a CC bekapcsolása jellemzően 8% alatti áteresztőképesség- és késleltetés-többletet okoz, vagyis a teljesítmény eléri a védelem nélküli megoldás 98%-át. A biztonság alapja a gyártáskor a chipbe égetett privát aláírókulcs, az NVLink titkosítás és a távoli hitelesítés (NRAS). Az NVIDIA kiemeli, hogy optimalizálásokkal – CC-safe autotuning, aszinkron D2H másolás, CUDA-gráf támogatás – sikerült a biztonságos munkabeadás és a titkosított sávszélesség korlátait kompenzálni, így a rendszer termelési szintű, szabályozásnak megfelelő telepítésekre is alkalmas.

19. Kutatás 2026. július 2., csütörtök

    Lebegőpontos hibák felismerése: 14 nagy nyelvi modellt teszteltek új benchmarkkal

    Egy nem lektorált kutatás 14 nagy nyelvi modellt (LLM) értékelt aszerint, hogy mennyire képesek statikusan felismerni és osztályozni a lebegőpontos hibákat C forráskódban. A szerzők létrehozták az InterFLOPBench benchmarkot, amely 90 C kernelt és 1130 tesztmintát tartalmaz hat hibakategóriában: kioltás, összehasonlítás, nullával osztás, túlcsordulás, alulcsordulás és NaN. Az eredmények szerint a legújabb modellek – köztük a Qwen 3 32b, Gemini 2.5 Flash, Phi 4 Reasoning, DeepSeek R1T2 és a gpt-oss 20b/120b – 0,88 feletti összesített F1-pontszámot értek el. A teljesítmény hibakategóriánként eltérő: a nullával osztás átlagos F1-értéke 0,85 volt, míg az alulcsordulás (0,61) és a kioltás (0,62) esetében a modellek gyengébben teljesítettek, jelezve a finomabb numerikus jelenségek felismerésének nehézségét.

20. Kutatás 2026. július 1., szerda

    Közlekedésmérnöki AI-ügynök fejlesztése: hat nagy nyelvi modellt finomhangoltak szakterületi szabványokra

    Egy nem lektorált kutatás szisztematikus módszert javasol közlekedésmérnöki célú, testreszabott generatív AI-ügynök fejlesztésére. A szerzők amerikai közlekedési kézikönyvekből, tervezési irányelvekből és szabályozási dokumentumokból álló szakértői korpuszt állítottak össze, majd hat korszerű nagy nyelvi modellt hangoltak finomra LoRA (Low-Rank Adaptation) keretrendszerrel. A kiértékelés BLEU-4 és ROUGE metrikákkal történt; a kutatók állítása szerint a Qwen2.5-7B és a LLaMA-3.1-8B modell érte el a legmagasabb szakterületi illeszkedést és válaszminőséget. A szerzők azt hangsúlyozzák, hogy a LoRA-alapú adaptáció javítja a műszaki tartalom értelmezését és a kontextusfüggő következtetést. A kutatás reprodukálható fejlesztési keretet kínál szakterületi AI-ügynökök építéséhez, bár a módszer valós mérnöki környezetben történő validálása további lépést igényel.

21. Kutatás 2026. június 29., hétfő

    A Sina háromparaméteres VibeThinker-3B modellje a százszor nagyobb modellek szintjén teljesít matekban és kódolásban

    A kínai Sina (Weibo anyavállalata) kiadta VibeThinker-3B modelljét, amely mindössze 3 milliárd paraméterrel egyes matematikai és kódolási benchmarkokon – a cég technikai jelentése szerint – a 200-333-szor nagyobb modellekkel, például a DeepSeek V3.2-vel és a Kimi K2.5-tel vetekszik. A modell az Alibaba Qwen2.5-Coder-3B alapmodelljére épül, a teljesítményt többlépcsős utóképzéssel érik el. A LeetCode-versenyeken (2026 április–május) 128-ból 123 feladatot elsőre megoldott, megelőzve a GPT-5.2-t és a Claude Opus 4.6-ot – állítja a Sina. Ugyanakkor a széles tárgyi tudást igénylő GPQA-Diamond benchmarkon a modell jelentősen elmarad nagyobb riválisaitól. A kutatók következtetése szerint a strukturált logikai gondolkodás jól tömöríthető kis modellekbe, de a faktikus világtudás továbbra is nagy paraméterszámot igényel.